Identificazione dei punti di riferimento con le etichette personalizzate di Amazon Rekognition

Rekognition di Amazon è un servizio di visione artificiale che semplifica l'aggiunta di analisi di immagini e video alle tue applicazioni utilizzando una tecnologia comprovata, altamente scalabile e di deep learning che non richiede competenze di machine learning (ML). Con Amazon Rekognition, puoi identificare oggetti, persone, testo, scene e attività in immagini e video e rilevare contenuti inappropriati. Amazon Rekognition offre inoltre funzionalità di analisi facciale e ricerca facciale altamente accurate che puoi utilizzare per rilevare, analizzare e confrontare i volti per un'ampia varietà di casi d'uso.

Etichette personalizzate Amazon Rekognition è una funzionalità di Amazon Rekognition che semplifica la creazione di capacità di analisi delle immagini basate su ML specializzate per rilevare oggetti e scene unici che sono parte integrante del tuo caso d'uso specifico.

Alcuni casi d'uso comuni delle etichette personalizzate di Rekognition includono la ricerca del tuo logo nei post sui social media, l'identificazione dei tuoi prodotti sugli scaffali dei negozi, la classificazione delle parti di macchine in una catena di montaggio, la distinzione tra piante sane e infette e altro ancora.

Etichette di riconoscimento Amazon supporta punti di riferimento famosi come il ponte di Brooklyn, il Colosseo, la Torre Eiffel, Machu Picchu, Taj Mahal, e altro ancora. Se disponi di altri punti di riferimento o edifici non ancora supportati da Amazon Rekognition, puoi comunque utilizzare le etichette personalizzate di Amazon Rekognition.

In questo post dimostriamo l'utilizzo delle etichette personalizzate di Rekognition per rilevare l'edificio Amazon Spheres a Seattle.

Con Rekognition Custom Labels, AWS si occupa del lavoro pesante per te. Rekognition Custom Labels si basa sulle funzionalità esistenti di Amazon Rekognition, che è già addestrato su decine di milioni di immagini in molte categorie. Invece di migliaia di immagini, devi semplicemente caricare un piccolo set di immagini di addestramento (in genere poche centinaia di immagini o meno) specifiche per il tuo caso d'uso tramite la nostra semplice console. Amazon Rekognition può iniziare la formazione in pochi clic. Dopo che Amazon Rekognition ha iniziato l'addestramento dal tuo set di immagini, può produrre un modello di analisi dell'immagine personalizzato per te in pochi minuti o ore. Dietro le quinte, Rekognition Custom Labels carica e ispeziona automaticamente i dati di addestramento, seleziona gli algoritmi ML adatti, addestra un modello e fornisce metriche sulle prestazioni del modello. Puoi quindi utilizzare il tuo modello personalizzato tramite l'API Rekognition Custom Labels e integrarlo nelle tue applicazioni.

Panoramica della soluzione

Per il nostro esempio, utilizziamo il Sfere amazzoniche costruzione a Seattle. Formiamo un modello utilizzando Rekognition Custom Labels; ogni volta che vengono utilizzate immagini simili, l'algoritmo dovrebbe identificarlo come Amazon Spheres invece di Dome, Architecture, Glass buildingo altre etichette.

Mostriamo innanzitutto un esempio di utilizzo della funzione di rilevamento delle etichette di Amazon Rekognition, in cui alimentiamo l'immagine di Amazon Spheres senza alcuna formazione personalizzata. Utilizziamo la console di Amazon Rekognition per aprire la demo di rilevamento delle etichette e caricare la nostra foto.

Dopo che l'immagine è stata caricata e analizzata, vediamo le etichette con i loro punteggi di affidabilità sotto Risultati. In questo caso, Dome è stato rilevato con un punteggio di confidenza del 99.2%, Architecture con il 99.2%, Building con il 99.2%, Metropolis con il 79.4% e così via.

Vogliamo utilizzare l'etichettatura personalizzata per produrre un modello di visione artificiale in grado di etichettare l'immagine Amazon Spheres.

Nelle sezioni seguenti, ti guidiamo attraverso la preparazione del tuo set di dati, la creazione di un progetto Rekognition Custom Labels, l'addestramento del modello, la valutazione dei risultati e il test con immagini aggiuntive.

Prerequisiti

Prima di iniziare con i passaggi, ci sono quote per le etichette personalizzate di Rekognition di cui devi essere a conoscenza. Se desideri modificare i limiti, puoi richiedere a aumento del limite di servizio.

Crea il tuo set di dati

Se è la prima volta che utilizzi Rekognition Custom Labels, ti verrà chiesto di creare un file Servizio di archiviazione semplice Amazon (Amazon S3) per archiviare il set di dati.

Per questa dimostrazione sul blog, abbiamo utilizzato le immagini delle Amazon Spheres, che abbiamo catturato mentre visitavamo Seattle, WA. Sentiti libero di usare le tue immagini secondo le tue necessità.

Copia il tuo set di dati nel bucket appena creato, che memorizza le tue immagini all'interno dei rispettivi prefissi.

Crea un progetto

Per creare il tuo progetto Rekognition Custom Labels, completa i seguenti passaggi:

1. Nella console Etichette personalizzate di Rekognition, scegli Crea un progetto.
2. Nel Nome del progetto, inserisci un nome.
3. Scegli Crea progetto.
   
   Ora specifichiamo la configurazione e il percorso del set di dati di addestramento e test.
4. Scegli Crea set di dati.
   

Puoi iniziare con un progetto che ha un singolo set di dati o un progetto che ha set di dati di training e test separati. Se inizi con un singolo set di dati, Rekognition Custom Labels suddivide il set di dati durante l'addestramento per creare un set di dati di addestramento (80%) e un set di dati di test (20%) per il tuo progetto.

Inoltre, puoi creare set di dati di training e test per un progetto importando le immagini da una delle seguenti posizioni:

Per questo post, utilizziamo il nostro set di dati personalizzato di Amazon Spheres.

1. Seleziona Inizia con un singolo set di dati.
2. Seleziona Importa immagini dal bucket S3.
   
3. Nel URI S3, inserisci il percorso del tuo bucket S3.
4. Se vuoi che Rekognition Custom Labels etichetti automaticamente le immagini per te in base ai nomi delle cartelle nel tuo bucket S3, seleziona Assegna automaticamente etichette a livello di immagine alle immagini in base al nome della cartella.
   
5. Scegli Crea set di dati.

Si apre una pagina che mostra le immagini con le loro etichette. Se vedi errori nelle etichette, fai riferimento a Debug dei set di dati.

Allena il modello

Dopo aver esaminato il set di dati, è ora possibile eseguire il training del modello.

1. Scegli modello di treno.
2. Nel Scegli il progetto, inserisci l'ARN per il tuo progetto se non è già elencato.
3. Scegli Modello di treno.

Nel Modelli sezione della pagina del progetto, è possibile controllare lo stato corrente nel file Stato del modello colonna, dove è in corso la formazione. Il tempo di addestramento richiede in genere da 30 minuti a 24 ore per il completamento, a seconda di diversi fattori come il numero di immagini e il numero di etichette nel set di addestramento e i tipi di algoritmi ML usati per addestrare il modello.

Quando l'addestramento del modello è completo, puoi vedere lo stato del modello come TRAINING_COMPLETED. Se la formazione fallisce, fare riferimento a Debug di un addestramento del modello non riuscito.

Valuta il modello

Apri la pagina dei dettagli del modello. Il Valutazione La scheda mostra le metriche per ciascuna etichetta e la metrica media per l'intero set di dati di test.

La console Rekognition Custom Labels fornisce le seguenti metriche come riepilogo dei risultati della formazione e come metriche per ciascuna etichetta:

È possibile visualizzare i risultati del modello sottoposto a training per le singole immagini, come mostrato nello screenshot seguente.

Prova il modello

Ora che abbiamo visualizzato i risultati della valutazione, siamo pronti per avviare il modello e analizzare nuove immagini.

È possibile avviare il modello sul Usa il modello nella scheda Rekognition Custom Labels o utilizzando il StartProjectVersion operazione tramite il Interfaccia della riga di comando di AWS (AWS CLI) o Python SDK.

Quando il modello è in esecuzione, possiamo analizzare le nuove immagini utilizzando il file Rileva etichette personalizzate API. Il risultato da DetectCustomLabels è una previsione che l'immagine contenga oggetti, scene o concetti specifici. Vedere il seguente codice:

aws rekognition detect-custom-labels 
--project-version-arn  
--image '{"S3Object": {"Bucket":,"Name":}}' 
--region 

Nell'output, puoi vedere l'etichetta con il suo punteggio di affidabilità:

{
    "Custom Labels": [
        {
            "Name": "Amazon Spheres",
            "Confidence": 93.55500030517578
        }
    ]
}

Come puoi vedere dal risultato, con pochi semplici clic puoi utilizzare le etichette personalizzate di Rekognition per ottenere risultati di etichettatura accurati. Puoi usarlo per una moltitudine di casi d'uso delle immagini, come l'identificazione di etichette personalizzate per prodotti alimentari, animali domestici, parti di macchine e altro ancora.

ripulire

Per ripulire le risorse che hai creato come parte di questo post ed evitare potenziali costi ricorrenti, completa i seguenti passaggi:

1. Sulla Usa il modello scheda, fermare il modello.
   In alternativa, puoi fermare il modello usando il StopProjectVersion operazione tramite l'AWS CLI o l'SDK Python. Attendi finché il modello non si trova nel file Stopped stato prima di passare ai passaggi successivi.
2. Elimina il modello.
3. Elimina il progetto.
4. Elimina il set di dati.
5. Vuoto il contenuto del bucket S3 e delete il secchio.

Conclusione

In questo post, abbiamo mostrato come utilizzare le etichette personalizzate di Rekognition per rilevare le immagini degli edifici.

Puoi iniziare con i tuoi set di dati immagine personalizzati e, con pochi semplici clic sulla console Rekognition Custom Labels, puoi addestrare il tuo modello e rilevare gli oggetti nelle immagini. Le etichette personalizzate di Rekognition possono caricare e ispezionare automaticamente i dati, selezionare gli algoritmi ML corretti, addestrare un modello e fornire metriche sulle prestazioni del modello. È possibile rivedere metriche dettagliate sulle prestazioni come precisione, richiamo, punteggi F1 e punteggi di affidabilità.

È giunto il giorno in cui ora possiamo identificare edifici famosi come l'Empire State Building a New York City, il Taj Mahal in India e molti altri in tutto il mondo pre-etichettati e pronti per l'uso per l'intelligence nelle vostre applicazioni. Ma se disponi di altri punti di riferimento attualmente non ancora supportati da Amazon Rekognition Labels, non cercare oltre e prova Amazon Rekognition Custom Labels.

Per ulteriori informazioni sull'utilizzo di etichette personalizzate, vedere Che cosa sono le etichette personalizzate di Amazon Rekognition? Inoltre, visita il nostro Repository GitHub per un flusso di lavoro end-to-end di rilevamento del marchio personalizzato di Amazon Rekognition.

Informazioni sugli autori:

Certo Patnam è Principal BDM – GTM AI/ML Leader presso AWS. Lavora con i clienti per costruire una strategia IT, rendendo la trasformazione digitale attraverso il cloud più accessibile sfruttando dati e AI/ML. Nel tempo libero, a Suresh piace giocare a tennis e trascorrere del tempo con la sua famiglia.

Coniglietto Kaushik è un architetto di soluzioni presso AWS. È appassionato di creare soluzioni AI/ML su AWS e aiutare i clienti a innovare sulla piattaforma AWS. Al di fuori del lavoro, ama fare escursioni, arrampicarsi e nuotare.